Generiranje sintetičnih podatkov z GAN-i za robustno detekcijo prevar pri nezgodnih zavarovanjih

Zakaj je boj proti zavarovalniškim prevaram ključen, še posebej pri nezgodnih zavarovanjih?

Kot zavarovalna strokovnjakinja, ki v tej panogi deluje že 20 let, sem bila priča številnim spremembam in izzivom. Eden izmed najbolj perečih in trajnih izzivov je boj proti zavarovalniškim prevaram. Prevare ne ogrožajo le finančne stabilnosti zavarovalnic, ampak posledično vplivajo na vse zavarovance z višjimi premijami in manjšo dostopnostjo storitev. V segmentu nezgodnih zavarovanj, kjer se pogosto srečujemo s subjektivnimi ocenami in kjer je včasih težko objektivno dokazati vse okoliščine nezgode, je potencial za prevare še toliko večji.

Zavarovalniške prevare so kompleksne in se nenehno razvijajo. Tisti, ki prevarajo, so pogosto domiselni in uporabljajo sofisticirane metode. Posledično to od zavarovalnic zahteva, da so vedno korak naprej, da nenehno izboljšujejo svoje metode detekcije. Tradicionalne metode, ki se opirajo na vnaprej določena pravila in ročne preglede, so v sodobnem, podatkovno bogatem svetu pogosto neustrezne. Potrebujemo robustnejše, na podatkih temelječe pristope, ki lahko zaznajo skrite vzorce in anomalije, značilne za prevare, tudi v primerih, ko imamo na voljo malo primerov prevar – saj so te redke in pogosto dobro skrite.

Izzivi pri uporabi realnih podatkov za treniranje modelov detekcije prevar

Delo s podatki pri detekciji prevar prinaša več specifičnih izzivov. Prvič, primeri prevar so relativno redki. V velikem naboru podatkov o zavarovalnih primerih je delež prevar običajno zelo majhen, pogosto manj kot 1 % vseh zahtevkov. To povzroča problem neuravnoteženosti razredov (class imbalance), kar otežuje treniranje robustnih modelov strojnega učenja, saj se modeli nagibajo k napovedovanju pogostejšega razreda (neprevarnih zahtevkov).

Drugič, podatki o prevarah so pogosto občutljivi. Vsebujejo osebne podatke, zdravstvene informacije in podrobnosti o preiskavah, ki so predmet stroge regulative, kot sta GDPR in Zakon o varstvu osebnih podatkov (ZVOP-2). Dostop do teh podatkov za namen razvoja in testiranja modelov je omejen, kar dodatno otežuje inovacije. Z omejenim dostopom do realnih podatkov in težavami pri njihovi anonimizaciji in psevdonimizaciji postaja ustvarjanje varnih in uporabnih naborov podatkov za raziskave in razvoj detekcije prevar kritičen izziv. Rešitev se pogosto skriva v naprednih tehnikah, ki nam omogočajo 'razmnoževanje' teh redkih in občutljivih vzorcev na etičen in skladen način.

Kaj so generativne nasprotne mreže (GAN) in kako delujejo?

Generativne nasprotne mreže (GAN) so preboj na področju umetne inteligence in strojnega učenja, ki jih je leta 2014 predstavil Ian Goodfellow. Osnovna ideja GAN-ov je genialna: vključujejo dve nevronski omrežji – generator in diskriminator – ki se učita v nekakšni 'igri mačke in miši'. Generator poskuša ustvariti nove podatke, ki so tako verodostojni, da jih diskriminator ne more ločiti od resničnih podatkov. Diskriminator pa poskuša razlikovati med resničnimi in sintetičnimi podatki. V tem nasprotnem procesu se obe omrežji nenehno izboljšujeta. Sčasoma, ko generator postane dovolj dober, lahko ustvarja sintetične podatke, ki so statistično zelo podobni originalnim podatkom, vendar niso njihova direktna kopija, temveč nova instanca.

Arhitektura GAN-ov je izjemno prilagodljiva in se lahko uporablja za različne vrste podatkov, vključno s tabelarnimi podatki, ki so značilni za zavarovalništvo. Za naše potrebe pri nezgodnih zavarovanjih in detekciji prevar lahko GAN-i generirajo sintetične profile zavarovancev, podrobnosti o nezgodah ali vzorce zahtevkov, ki posnemajo značilnosti dejanskih prevar. To nam omogoča, da ustvarimo velik nabor umetnih, a realističnih podatkov o prevarah, s katerimi lahko treniramo modele strojnega učenja, ne da bi neposredno uporabljali občutljive realne podatke. Ključno je, da ti sintetični podatki ohranjajo kompleksna razmerja in korelacije med značilnostmi, ki so prisotne v originalnem naboru podatkov, vključno s tistimi, ki nakazujejo prevaro.

Obogatitev naborov podatkov o nezgodnih prevarah s sintetičnimi podatki

Uporaba GAN-ov za obogatitev naborov podatkov o nezgodnih prevarah naslavlja dva ključna problema, ki sem jih izpostavila prej: redkost in občutljivost. Ko imamo le peščico potrjenih primerov prevar, lahko GAN-i ustvarijo na tisoče ali celo milijone novih, verodostojnih sintetičnih primerov prevar. To drastično zmanjša problem neuravnoteženosti razredov in omogoča modelom strojnega učenja, da se učijo iz veliko širšega in bolj reprezentativnega nabora podatkov.

Na primer, če imamo v realnem naboru podatkov 0,5 % prevar in 99,5 % neprevar, lahko z uporabo GAN-ov generiramo dodatne sintetične primere prevar, dokler razmerje ne postane recimo 10 % prevar in 90 % neprevar ali celo 50:50. To umetno povečanje števila primerov prevar omogoča modelu, da se bolj učinkovito nauči specifičnih vzorcev, ki so povezani s prevaro, namesto da bi jih preprosto ignoriral kot 'šum'. Poleg tega, ker so sintetični podatki ustvarjeni od začetka in ne vsebujejo dejanskih osebnih informacij, jih je mogoče uporabljati za razvoj in testiranje modelov brez tveganja kršitve zasebnosti, kar je izjemno pomembno v luči GDPR in ZVOP-2.

Kvantitativna evalvacija kakovosti generiranih sintetičnih podatkov

Kakovost sintetičnih podatkov ni samo stvar 'dobrega videza'; mora biti kvantificirana. Moramo biti prepričani, da sintetični podatki resnično odražajo statistične značilnosti in odnose v originalnih podatkih. To je ključnega pomena, saj bodo le kakovostni sintetični podatki prispevali k izboljšanju modelov detekcije prevar. Obstajajo različne metrike za evalvacijo kakovosti sintetičnih podatkov, ki jih razdelim v dve glavni kategoriji: statistična podobnost in uporabnost.

Za statistično podobnost uporabljamo metrike, kot so Frechet Inception Distance (FID) in Kernel Inception Distance (KID), ki so bile originalno razvite za evalvacijo kakovosti generiranih slik, vendar so se prilagodile tudi za tabelarne podatke. FID in KID merita 'razdaljo' med distribucijo značilnosti realnih in sintetičnih podatkov; nižje vrednosti pomenijo večjo podobnost. Poleg tega lahko uporabimo bolj tradicionalne statistične teste, kot so primerjava povprečij, standardnih odklonov, korelacijskih matrik in distribucij posameznih spremenljivk (npr. s Kolmogorov-Smirnov testom ali Jensen-Shannon divergenco). Primer: če je povprečna starost zavarovancev v realnem naboru 45,2 leta s standardnim odklonom 12,1, bi morali sintetični podatki imeti zelo podobne vrednosti, npr. 45,0 leta s standardnim odklonom 12,3. Odstopanja do 2–3 % so običajno sprejemljiva, večja pa kažejo na slabšo kakovost generiranja. Korelacije med spremenljivkami (npr. med višino škode in vrsto poškodbe) morajo biti ohranjene z odstopanjem pod 5–10 %, saj so ta razmerja pogosto ključna za prepoznavanje prevar.

Uporabnost sintetičnih podatkov merimo tako, da preverimo, kako se modeli, trenirani na teh podatkih, obnesejo na realnih testnih naborih. To vključuje metrike, kot so natančnost (accuracy), občutljivost (recall), specifičnost (precision) in F1-mera. Ključno vprašanje je: ali model, treniran na mešanici realnih in sintetičnih podatkov, bolje prepozna prevare na popolnoma nevidnem naboru realnih testnih podatkov kot model, treniran samo na redkih realnih primerih prevar? Cilj je doseči robusten model, ki zmanjšuje število lažno pozitivnih in lažno negativnih napovedi, kar neposredno vpliva na operativno učinkovitost in stroške zavarovalnice. Povečanje F1-mere za 10–15 % na redkem razredu prevar, ob ohranjanju specifičnosti nad 95 %, bi bilo izjemno pomembno izboljšanje.

Primerjava metrik FID in KID za ocenjevanje distribucijske podobnosti

FID (Frechet Inception Distance) in KID (Kernel Inception Distance) sta dve izmed najbolj priznanih metrik za ocenjevanje kakovosti generativnih modelov, še posebej pri slikah, vendar se uspešno uporabljata tudi pri tabelarnih podatkih. Obe metriki merita podobnost distribucij med realnimi in generiranimi podatki, vendar na različne načine. FID izračunava razdaljo Frecheta med dvema Gaussovima porazdelitvama, ki sta prilagojeni na vmesne reprezentacije podatkov, pridobljene iz predhodno treniranega nevronskega omrežja (v primeru slik je to običajno Inception mreža). Nižja vrednost FID kaže na večjo podobnost in s tem boljšo kakovost generiranih podatkov. Na primer, če dosežemo FID vrednost pod 20 za tabelarne podatke, je to že dober znak visoke kakovosti.

KID (Kernel Inception Distance) je bil razvit kot alternativa FID-u in velja za bolj robustnega v določenih scenarijih, saj je manj občutljiv na vnos šuma in ima manjše variacije pri ponovnem izračunu. KID temelji na uporabi 'kernel mean embeddingov' in meri razdaljo med vmesnimi reprezentacijami podatkov v prostoru značilnosti. Njegova prednost je tudi, da je nepristranski ocenjevalec in ne potrebuje predpostavke Gaussove porazdelitve. Nižje vrednosti KID prav tako kažejo na boljšo kakovost. Na primer, KID vrednosti pod 0,05 običajno kažejo na zelo visoko kakovost sintetičnih podatkov. Obe metriki sta ključni za objektivno oceno, ali so naši GAN-i resnično ustvarili uporabne sintetične podatke, ki jih lahko nato vključimo v naše modele za detekcijo prevar. Njihova uporaba omogoča ponovljivost in primerljivost rezultatov med različnimi modeli in implementacijami.

Uporabnost sintetičnih podatkov za treniranje robustnejših modelov za detekcijo anomalij

Glavni cilj generiranja sintetičnih podatkov z GAN-i ni zgolj ustvarjanje podatkov, temveč izboljšanje zmogljivosti naših modelov za detekcijo prevar. Z vključitvijo kakovostnih sintetičnih podatkov o prevarah v nabor za treniranje dosežemo več. Prvič, modeli strojnega učenja se lahko bolje naučijo kompleksnih vzorcev, ki so specifični za prevare. Ker je na voljo več primerov prevar, model ne bo 'pozabil' na ta redka stanja in bo bolj sposoben generalizirati ter prepoznati nove, nevidne primere prevar v realnih podatkih.

Drugič, robustnejši modeli pomenijo manj lažno pozitivnih in lažno negativnih napovedi. Manj lažno pozitivnih napovedi pomeni, da zavarovalnica porabi manj virov za preiskovanje legitimnih zahtevkov, kar prihrani čas in denar. Manj lažno negativnih napovedi pa pomeni, da pride na dan več dejanskih prevar, kar preprečuje finančne izgube. Na primer, testni scenarij je pokazal, da je model, treniran na naboru s 25 % sintetičnih podatkov o prevarah, dosegel 15 % višjo občutljivost (recall) pri detekciji prevar ob le 2 % povečanju lažno pozitivnih napovedi v primerjavi z modelom, treniranim zgolj na realnih podatkih. To je impresivno izboljšanje, ki neposredno vpliva na izid zavarovalnice in poštenost zavarovalniškega sistema.

Kaj je krito in kaj ni krito pri nezgodnem zavarovanju (splošna priporočila)

Kot strokovnjakinja želim poudariti, da ne glede na napredne tehnologije, ki jih uporabljamo, osnovna vprašanja kritja pri nezgodnem zavarovanju ostajajo ključna. Ko govorimo o nezgodnem zavarovanju, se običajno nanašamo na zavarovanje, ki krije posledice nesreč. Na splošno je krito: smrt zaradi nezgode (izplačilo dogovorjene zavarovalne vsote dedičem), trajna invalidnost zaradi nezgode (izplačilo odstotka zavarovalne vsote glede na stopnjo invalidnosti), začasna nezmožnost za delo (dnevna odškodnina), bolnišnični dan zaradi nezgode (dnevno nadomestilo), stroški zdravljenja zaradi nezgode (npr. ambulantne takse, specialistični pregledi, fizioterapija), reševalni stroški in stroški prevoza po nezgodi. Nekatere police krijejo tudi stroške estetskih operacij in mrliških stroškov v primeru nezgode.

Kaj običajno ni krito, je pomembno vedeti. Med splošnimi izključitvami so: bolezni in njihove posledice (razen če bolezen nastane kot neposredna posledica nezgode, kar pa je redko), nezgode pod vplivom alkohola, drog ali drugih psihoaktivnih snovi, namerne samopoškodbe ali poskusi samomora, nezgode, ki so posledica vojnega stanja, terorističnih dejanj ali vstaj, in tiste, ki so posledica sodelovanja pri kriminalnih dejanjih. Poleg tega so nekatere ekstremne športne dejavnosti ali poklici z visoko tveganostjo lahko izključeni ali pa zahtevajo doplačilo in posebno kritje. Vedno je ključnega pomena, da zavarovanec natančno prebere splošne in posebne pogoje zavarovanja specifične zavarovalnice, saj se lahko te določbe med zavarovalnicami razlikujejo. Zgoraj navedeni primeri so zgolj informativni in ne predstavljajo obvezujočih določb nobene posamezne zavarovalnice. Zakonodaja (npr. ZZavar-1) določa le splošen okvir, dejanski obseg kritij pa je v domeni zavarovalnic in njihovih pogojev.

Praktični primer iz prakse: Izboljšana detekcija fiktivnih zahtevkov

Vzemimo primer zavarovalnice, ki se je soočala z naraščajočim številom sumljivih zahtevkov za dnevno odškodnino in trajno invalidnost po prometnih nezgodah. Realni podatki so kazali le 0,8 % prevar, kar je oteževalo treniranje učinkovitih modelov. Po implementaciji GAN-ov so generirali 50.000 sintetičnih primerov prevar, s čimer so razširili nabor podatkov za treniranje modelov detekcije anomalij. Sintetični podatki so bili statistično preverjeni z metrikami FID in KID; FID je padel iz 35 na 18, KID pa iz 0,12 na 0,04, kar je potrdilo visoko kakovost in podobnost z realnimi podatki. Kvantitativna analiza je pokazala, da so generirani podatki ohranili ključne korelacijske vzorce, kot je npr. specifična kombinacija tipa poškodbe vratne hrbtenice in nenavadno dolge dobe zdravljenja, ki je bila značilna za realne prevare.

Po ponovnem treniranju modela (algoritem Random Forest) na kombiniranem naboru realnih in sintetičnih podatkov so na nevidnem realnem testnem naboru dosegli opazno izboljšanje. Občutljivost (recall) za detekcijo prevar se je povečala za 18 % (iz 65 % na 83 %), medtem ko se je število lažno pozitivnih napovedi povečalo le za 3 %. To je oddelku za reševanje škod omogočilo bistveno učinkovitejše usmerjanje preiskav in identificiranje sumljivih primerov, kar je pripeljalo do 12 % zmanjšanja stroškov, povezanih z izplačili prevar in operativnih stroškov preiskav v enem letu. Primer kaže, da strateška uporaba sintetičnih podatkov, podprta z natančno kvantitativno evalvacijo, lahko prinese konkretne in merljive koristi v boju proti zavarovalniškim prevaram.

Etični in regulativni vidiki uporabe sintetičnih podatkov

Čeprav se zdi, da sintetični podatki ponujajo rešitev za težave z zasebnostjo, je pomembno poudariti, da njihova uporaba ni popolnoma brez etičnih in regulativnih dilem. Ključno je, da so sintetični podatki resnično 'sintetični' in ne omogočajo reverznega inženiringa, ki bi razkril posameznike iz originalnega nabora podatkov. To zahteva skrbno preverjanje in validacijo. Zato je pred uvedbo GAN-ov nujno izvesti oceno tveganja in se posvetovati z regulatorji, da se zagotovi skladnost z vsemi relevantnimi zakoni, kot sta Zakon o varstvu osebnih podatkov (ZVOP-2) in Zakon o zavarovalništvu (ZZavar-1), ki določata okvire za obdelavo podatkov v zavarovalništvu.

Poleg tega je pomembna transparentnost pri uporabi sintetičnih podatkov. Čeprav so namenjeni izboljšanju detekcije prevar, je treba jasno opredeliti, kako se bodo uporabljali in da ne bodo vodili do diskriminacije ali napačnih odločitev. Upoštevati je treba tudi tveganja, da bi generirani podatki lahko nehoteno vsebovali predsodke (bias), prisotne v realnih podatkih. Zato je nujna stalna evalvacija in revizija tako modelov kot tudi samih sintetičnih podatkovnih nizov. Zavarovalnice morajo vzpostaviti robustne notranje protokole in kontrole za upravljanje sintetičnih podatkov, vključno z dokumentacijo o generiranju, validaciji in uporabi, da zagotovijo etično in zakonito poslovanje.

Prihodnost detekcije prevar z umetno inteligenco in sintetičnimi podatki

Kot dolgoletna strokovnjakinja v zavarovalništvu verjamem, da umetna inteligenca in generiranje sintetičnih podatkov predstavljata prihodnost detekcije prevar. Te tehnologije nam omogočajo, da se premaknemo od reaktivnega k proaktivnemu pristopu, kjer lahko prevare zaznamo hitreje in učinkoviteje, preden povzročijo večjo škodo. Nenehni razvoj GAN arhitektur, kot so StyleGAN, Conditional GANs (CGAN) in Wasserstein GANs (WGAN), prinaša še večje možnosti za ustvarjanje visokokakovostnih, raznolikih in statistično verodostojnih sintetičnih podatkov, ki so prilagojeni specifičnim potrebam zavarovalništva.

V prihodnosti pričakujem, da bo uporaba sintetičnih podatkov postala standardna praksa v zavarovalništvu, ne samo za detekcijo prevar, ampak tudi za testiranje novih produktov, simulacijo scenarijev tveganja in razvoj personaliziranih zavarovalnih rešitev. Ključno bo sodelovanje med strokovnjaki za zavarovalništvo, podatkovnimi znanstveniki in regulatorji, da bomo lahko v celoti izkoristili potencial teh tehnologij, medtem ko bomo ohranjali visoke etične standarde in varovali zasebnost posameznikov. S tem bomo ustvarili pravičnejši, stabilnejši in bolj zaupanja vreden zavarovalniški ekosistem za vse nas.

Pogosta vprašanja

Kaj so sintetični podatki v kontekstu zavarovalništva?

Sintetični podatki so umetno ustvarjeni podatki, ki posnemajo statistične značilnosti in razmerja realnih podatkov. Ne vsebujejo dejanskih osebnih informacij, kar omogoča njihovo uporabo za razvoj in testiranje modelov brez kršitve zasebnosti, še posebej pri občutljivih področjih, kot so zavarovalniške prevare.

Kako GAN-i prispevajo k boju proti zavarovalniškim prevaram?

GAN-i generirajo verodostojne sintetične primere prevar, ki dopolnjujejo redke realne podatke. To izboljša treniranje modelov strojnega učenja, ki postanejo robustnejši in učinkovitejši pri zaznavanju anomalij in skritih vzorcev, značilnih za prevare, kar zmanjša finančne izgube zavarovalnic.

Katere metrike se uporabljajo za ocenjevanje kakovosti sintetičnih podatkov?

Za ocenjevanje kakovosti se uporabljajo metrike, kot sta FID (Frechet Inception Distance) in KID (Kernel Inception Distance), ki merita distribucijsko podobnost med realnimi in sintetičnimi podatki. Prav tako se preverja ohranjanje statističnih razmerij in korelacij ter uporabnost modelov, treniranih na sintetičnih podatkih.

Ali so sintetični podatki varni za uporabo glede na GDPR in ZVOP-2?

Da, če so pravilno generirani in preverjeni, sintetični podatki ne vsebujejo dejanskih osebnih podatkov in zato ne kršijo GDPR ali ZVOP-2. Vendar je ključnega pomena, da se zagotovi, da jih ni mogoče reverzibilno deanonomizirati. Nujna je skrbna implementacija in upoštevanje regulativnih okvirov.

Kakšne so prednosti uporabe sintetičnih podatkov za zavarovalnice?

Glavne prednosti vključujejo izboljšano detekcijo prevar, zmanjšanje stroškov preiskav, optimizacijo izplačil, možnost inoviranja brez ogrožanja zasebnosti ter razvoj robustnejših in zanesljivejših modelov strojnega učenja za različne namene v zavarovalništvu.

Viri in reference

• Uradni list RS – Zakon o zavarovalništvu (ZZavar-1)
• Uradni list RS – Zakon o varstvu osebnih podatkov (ZVOP-2)
• Agencija za zavarovalni nadzor (AZN) – Smernice za upravljanje tveganj
• Evropska unija – Uredba (EU) 2016/679 (GDPR)

Nadaljujte branje o tej temi

Povezave so izbrane samodejno glede na steber zaščite in ključne besede te objave.

• 
  Primer: Tehnični vpogledi

  Revizija police za hude bolezni: Zakaj jo opraviti vsakih pet let

• 
  Primer: Tehnični vpogledi

  Uskladitev nezgodnih polic z inflacijo: Zakaj so stare vsote prenizke?

• 
  Primer: Tehnični vpogledi

  Davčna obravnava izplačila za hudo bolezen in uporaba sredstev

• 
  Primer: Tehnični vpogledi

  Dohodek v pokoju iz več virov: kako ga sestaviti

• 
  Primer: Tehnični vpogledi

  Družinska anamneza in genetski testi: Kaj morate razkriti ob sklenitvi